โครงการสหกิจนี้มีวัตถุประสงค์เพื่อปรับปรุงประสิทธิภาพกระบวนการผลิต Hydrogen Manufacturing Unit 2 (HMU-2) และ Pressure Swing Adsorption 3 (PSA-3) โดยการใช้แบบจำลองกระบวนการ AVEVA Pro/II และ แบบจำลอง Machine Learning เพื่อจำลองกระบวนการ ผลการศึกษาพบว่า แบบจำลอง AVEVA Pro/II สามารถทำนายผลลัพธ์ โดยมีความคลาดเคลื่อนอยู่ในช่วง 0–35% มีความคลาดเคลื่อนของอัตราการไหลของไฮโดรเจนจากหน่วย PSA สูงถึง 12% เกินเกณฑ์ 10% ที่บริษัทยอมรับได้ จึงได้พัฒนาแบบจำลอง Machine Learning โดยการปรับไฮเปอร์พารามิเตอร์ของอัลกอริทึมแบบ Random Forest ผลการศึกษาพบว่าแบบจำลองมีความแม่นยำสูง มีค่า Mean Squared Error (MSE) มีค่า 8.48 และ 0.18 สำหรับข้อมูลกระบวนการ และ ข้อมูลห้องปฏิบัติการ และ R-squared มีค่า 0.98 และ 0.88 สำหรับข้อมูลชุดเดียวกัน และพบว่าสามารถทำนายผลลัพธ์ได้แม่นยำกว่าแบบจำลอง AVEVA Pro/II ในทุกๆ ตัวแปร สามารถลดความคลาดเคลื่อนของอัตราการไหลของไฮโดรเจนจากหน่วย PSA เหลือเพียง 4.75 และ 1.35% สำหรับอัตราการผลิต 180 และ 220 ตันต่อวันตามลำดับ จึงได้นำแบบจำลองมาทำการ Optimization ตัวแปรกระบวนการ พบว่าสามารถให้ข้อแนะนำในการปรับค่าตัวแปรต่างๆ ได้ โดยสามารถเพิ่มผลผลิตไฮโดรเจนได้ 7.8 ตันต่อวัน และสร้างผลกำไรเพิ่มขึ้น 850,966.23 บาทต่อปี
บริษัท ไทยออยล์ จำกัด (มหาชน) (TOP) ประกอบธุรกิจโรงกลั่นน้ำมันที่มีกระบวนการผลิตที่ทันสมัยและมีประสิทธิภาพสูง เพื่อผลิตและจำหน่ายน้ำมันปิโตรเลียมสำเร็จรูปป้อนตลาดในประเทศเป็นส่วนใหญ่ ทั้งยังขยายการลงทุนให้ครอบคลุมการผลิตผลิตภัณฑ์ปิโตรเคมี นํ้ามันหล่อลื่นพื้นฐาน เอทานอล รวมถึงการลงทุนในธุรกิจไฟฟ้า ตลอดจนธุรกิจขนส่งผลิตภัณฑ์ปิโตรเลียม และปิโตรเคมีทางเรือ ธุรกิจขนส่งผลิตภัณฑ์ปิโตรเลียมสำเร็จรูปทางท่อ และธุรกิจให้คำปรึกษาทางด้านพลังงาน ซึ่งมีโรงกลั่นอยู่ที่อำเภอศรีราชา จังหวัดชลบุรี โครงงานสหกิจนี้เกี่ยวข้องกับการทำงานร่วมกับหน่วยผลิต Hydrogen Manufacturing 2 (HMU-2) และ Pressure Swing Adsorption 3 (PSA-3) ซึ่งผลิตไฮโดรเจนบริสุทธิ์สูงสำหรับใช้ในกระบวนการต่าง ๆ เช่น Hydrocrackers, Hydrodesulphuriser และ Hydrotreaters หน่วยผลิตนี้มีบทบาทสำคัญในการแยกก๊าซธรรมชาติเหลือใช้จากกระบวนการก่อนหน้า ซึ่งมีความซับซ้อนสูงและต้องการการควบคุมอุณหภูมิและความดันอย่างแม่นยำเพื่อให้กระบวนการทำงานได้อย่างมีประสิทธิภาพ เนื่องจากการขาดเครื่องมือจำลองกระบวนการที่มีประสิทธิภาพส่งผลต่อความสามารถในการผลิตและประสิทธิภาพโดยรวม ทำให้ไม่สามารถส่งไฮโดรเจนให้กระบวนการข้างต้นได้ตามความต้องการ การใช้โปรแกรม AVEVA Pro/II ซึ่งเป็นเครื่องมือสำคัญในการจำลองกระบวนการผลิตในหน่วย HMU-2 และ PSA-3 พบว่ามีข้อผิดพลาดในการจำลองบางกระบวนการ ซึ่งส่งผลกระทบต่อความแม่นยำในการคาดการณ์พารามิเตอร์ที่เกี่ยวข้องกับการผลิตไฮโดรเจน การพัฒนาโมเดล Machine Learning จึงเป็นแนวทางใหม่ที่มีศักยภาพในการเพิ่มความแม่นยำในการคาดการณ์พารามิเตอร์กระบวนการต่าง ๆ เช่น อุณหภูมิ ความดัน และอัตราการไหล การนำเทคนิค Machine Learning มาช่วยในการคาดการณ์และปรับปรุงกระบวนการผลิตไฮโดรเจนให้ได้ตามความต้องการของหน่วยผลิตในบริษัทจึงเป็นสิ่งสำคัญในการเพิ่มประสิทธิภาพการผลิตและตอบสนองความต้องการที่สูงขึ้นได้อย่างมีประสิทธิผล
คณะอุตสาหกรรมอาหาร
The study investigated the extraction of astaxanthin-rich oil from shrimp waste biomass, a valuable byproduct rich in functional lipids and proteins. Wet rendering has long been an inexpensive method to extract oil, however the high temperatures and long cooking times negatively affect the amount of astaxanthin. On the other hand, the study looked into employing deep eutectic solvent as a green solvent and combining a wet rendering process with high-shear homogenization and high-frequency ultrasound-assisted extractions. DES-UAE at 60% amplitude and wet rendering at 60 °C were found to be the ideal conditions, as were DES-HAE at 13,000 rpm and wet rendering at 60 °C. With a notable increase in oil yields of 16.80% and 20.12%, respectively, and improved oil quality (lower acid and peroxide values) in comparison to the conventional wet rendering, experimental validation validated the effectiveness of the DES-HAE and DES-UAE procedures. DES-UAE notably raised the amount of astaxanthin. This study demonstrates that DES-HAE and DES-UAE are quicker, lower-temperature substitutes for obtaining premium, astaxanthin-rich shrimp oil, resulting in more effective use of this priceless byproduct.
คณะวิทยาศาสตร์
ปัญหามลพิษทางอากาศ โดยเฉพาะฝุ่นละอองขนาดเล็ก PM2.5 เป็นปัญหาสำคัญที่ส่งผลกระทบต่อสุขภาพและสิ่งแวดล้อมในกรุงเทพมหานคร โครงการนี้มีวัตถุประสงค์เพื่อวิเคราะห์และระบุปัจจัยที่มีอิทธิพลต่อระดับของ PM2.5 มากที่สุด โดยใช้ข้อมูลคุณภาพอากาศ สภาพอากาศ และปัจจัยแวดล้อมอื่น ๆ ที่เกี่ยวข้อง เพื่อตรวจสอบว่าปัจจัยใด เช่น อุณหภูมิ ความชื้น ความเร็วลม หรือมลพิษจากแหล่งอื่น มีผลต่อความผันผวนของ PM2.5 ผลการศึกษานี้จะช่วยให้สามารถระบุปัจจัยสำคัญที่ส่งผลต่อปริมาณฝุ่น PM2.5 ได้อย่างเป็นระบบ ซึ่งสามารถนำไปใช้เป็นข้อมูลพื้นฐานสำหรับหน่วยงานภาครัฐ นักวิจัย และประชาชนทั่วไปในการวางแผนรับมือและลดผลกระทบจากมลพิษทางอากาศ นอกจากนี้ ผลลัพธ์ที่ได้ยังสามารถนำไปใช้สนับสนุนการตัดสินใจในการกำหนดนโยบายและมาตรการต่าง ๆ เพื่อปรับปรุงคุณภาพอากาศและสุขภาพของประชาชนในระยะยาว
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
ผลงานศิลปนิพนธ์หัวข้อเรื่อง “สงครามในม่านหมอก” เป็นการนำเสนอเรื่องราวที่ดัดแปลงมาจากเรื่องสั้นชื่อเดียวกันของ ผศ. ชาติณรงค์ วิสุตกุล เมื่อปี 2546 เกี่ยวกับโลกอนาคตที่ผู้คนแก่งแย่งและเห็นแก่ตัวจนก่อให้เกิดสงครามทำให้ผู้คนต้องพึ่งพา “เครื่องหายใจ” ในการใช้เพื่ออยู่รอดใน “หมอกพิษสีแดง” ภาคิน เด็กหนุ่มวัย 15 ต้องเดินทางร่วมกับกลุ่มผู้อพยพ พวกเขาเดินทางผ่านเมืองร้าง และบังเอิญพบเข้ากับเด็กชายไร้เครื่องหายใจที่พึ่งกำพร้าพ่อ ภาคินตัดสินใจช่วยเหลือ แม้คนอื่นจะไม่เห็นด้วยก็ตาม เด็กชายพยายามจะปลิดชีวิตตัวเองโดยการปิดเครื่องหายใจ ภาคินที่เข้าไปยื้อชีวิตเด็กกลับหมดสติลงจากการหายใจเอาอากาศพิษเข้าไป คนอื่น ๆ ที่เห็นสิ่งที่ภาคินทำเพื่อช่วยเพื่อนมนุษย์ ได้สำนึกและร่วมมือกันช่วยชีวิตทั้งสอง ภาคินทำให้ทุกคนรู้ว่า ในช่วงเวลาที่ยากลำบาก มนุษย์เราต้องร่วมมือ ช่วยเหลือกันไม่ใช่แตกแยก และเห็นแก่ตัว